Detection of road and airfield runway pathologies using the Artificial Intelligence

Abstract

Road layer quality is critical for transportation efficiency and infrastructure integrity. Factors like temperature fluctuations, rainfall, and poor construction materials lead to surface deterioration, visible as cracks and potholes. Traditional manual inspection methods by engineers, while accurate, are costly, labor-intensive, time-consuming, and hazardous. This thesis explores using artificial intelligence (AI) to automate road defect detection, focusing on deep learning models. Employing Convolutional Neural Networks (CNNs) and transfer learning aims to surpass traditional limitations. The AI-based system utilizes vehicle-mounted cameras, a DVR, and a computer to process video footage for defect detection. Pre-trained CNN models achieve high accuracy, offering a reliable, efficient, and scalable road maintenance solution. Research shows this system outperforms manual methods, enhancing safety and reducing costs. Future work will integrate real-time monitoring and advanced deep learning techniques for improved detection capabilities. This study underscores AI's potential in revolutionizing road infrastructure management, paving the way for safer, cost-effective maintenance solutions.

تعد جودة طبقات الطرق أمر بالغ الأهمية لكفاءة النقل وسلامة البنية التحتية،كما تؤدي العوامل الخارجية مثل التغير درجات الحرارة، والأمطار، ومواد البناء الناقصة الجودة ، إلى تدهور سطح الطريق، مما يظهر على شكل عيوب مرئية مثل الشقوق والحفر. تعتبر الطرق التقليدية للكشف عن هذه العيوب من خلال التفتيش اليدوي من قبل المهندسين، على الرغم من دقتها تعتبر مكلفة ومتعبة و تستغرق وقتًا طويلاً ، نعتمد في هذه المذكرةعلى استخدام الذكاء الاصطناعي لإتمام كشف العيوب التي يواجهها المهندسونفي فحص أمراض الطرق، مع التعمق في الدراسة . تهدف الدراسة إلى تجاوز الطرق التقليدية باستخدام نظام يسمى CNN أو ما يترجم ب (الشبكات العصبية الالتفافية)، يستخدم هذا النظام القائم على الذكاء الاصطناعي كاميرات مثبتة على المركبات، وجهاز DVR، وكمبيوتر لمعالجة لقطات الفيديو واستخراج الصور لكشف العيوب، حيث أن النماذج المدربة مسبقاً CNN تحقق الدقة العالية في الأمن والفعالية مع قابلية للتوسع في صيانة الطرق. تظهر الأبحاث أن هذا النظام يتفوق بشكل كبير على الطرق التقليدية ،و يوفرحلاً موثوقًا مما يعزز السلامة ويقلل التكاليف، ستركز الأعمال المستقبلية على دمج المراقبة في الوقت الحقيقي مع تقنيات الذكاء الاصطناعي المتقدمة لتحسين قدرات الكشف.و تؤكد هذه الدراسة على إمكانيات الطريقة المعتمدةعلى الذكاء الاصطناعي في إحداث ثورة إدارة البنية التحتية للطرق، فتعطي لنا حلول في صيانة أكثر أمانًا وفعالية من حيث التكلفة

La qualité des couches de la route est essentielle pour l'efficacité du transport et l'intégrité des infrastructures. Des facteurs tels que les fluctuations de température, les précipitations et les matériaux de construction de mauvaise qualité conduisent à la détérioration de la surface, se manifestant par des fissures et des nids-de-poule. Les méthodes traditionnelles d'inspection manuelle par des ingénieurs, bien qu'elles soient précises, sont coûteuses, intensives en maind'œuvre, chronophages et dangereuses. Cette thèse explore l'utilisation de l'intelligence artificielle pour automatiser la détection des défauts routiers, en se concentrant sur les modèles d'apprentissage profond. L'utilisation de réseaux neuronaux convolutifs (CNN) et du transfert d'apprentissage vise à dépasser les limitations traditionnelles. Le système basé sur l'IA utilise des caméras montées sur véhicule, un enregistreur vidéo numérique (DVR) et un ordinateur pour traiter les séquences vidéo et détecter les défauts. Les modèles CNN pré-entraînés atteignent une grande précision, offrant une solution fiable, efficace et évolutive pour l'entretien des routes. La recherche montre que ce système surpasse les méthodes manuelles, améliorant la sécurité et réduisant les coûts. Les travaux futurs intégreront la surveillance en temps réel et des techniques avancées d'apprentissage profond pour améliorer les capacités de détection. Cette étude souligne le potentiel de l'IA pour révolutionner la gestion des infrastructures routières, ouvrant la voie à des solutions de maintenance plus sûres et plus rentables.